[发明专利]一种基于核心信息的Jaro-Winkler算法的多源数据匹配方法

权利要求书

1.一种基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，包括以下步骤：

预处理，将待匹配的EMR(电子病历系统)数据和慢性病监测系统中的数据进行预处理；

第一次匹配，预处理完成的数据中随机选取3000条慢性病监测数据，与所有EMR(电子病历系统)数据进行人工匹配，获得的匹配结果作为金标准；

然后对两组数据进行遍历，通过4个核心字段分别计算获得4个Jaro距离值，文本相似性中向量之间的夹角余弦值来判断向量之间的相似性大小；

根据单字段或者不同字段组合计算综合指数D值，将人工匹配的结果作为金标准绘制D值的ROC曲线，通过比较曲线下面积选择最佳字段组合方式，并获得各种组合下的D值的最佳切点；

剩余慢性病监测数据作为回代检验数据，与所有EMR(电子病历系统)数据进行遍历比较，通过4个核心字段分别计算获得4个Jaro距离值以及综合指数D值，根据D值切点进行回代检验，判断检验效果；

第二次匹配，通过随机函数将原3000条慢性病监测数据中的核心字段里的信息进行增、删、改操作，建立误差样本库；

将误差样本库再次与所有EMR(电子病历系统)数据进行遍历比较，分别计算获得4个Jaro距离值以及综合指数D′值；

将人工匹配的结果作为金标准绘制D′值的ROC曲线，通过比较曲线下面积选择最佳字段组合方式，并获得各种组合下的D′值的最佳切点；

剩余慢病监测数据作为回代检验数据，与所有EMR(电子病历系统)数据进行遍历比较，通过4个核心字段分别计算获得4个Jaro距离值以及综合指数D值，根据D′值切点进行回代检验，判断检验效果；

最后综合两种情况下的D与D′切点判别效果，确定最佳的匹配字段组合及对应D切点值；

根据结果开发适用于查漏报，去重报等防保科日常业务工作数据匹配。

2.根据权利要求1所述的基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，上述预处理，中处理过程包括核心字段(姓名、身份证号、联系电话、详细住址)筛选与保留，去除空格与换行符，数字与字母格式统一改为半角。

3.根据权利要求1所述的基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，上述对两组数据进行遍历中，所述的4个核心字段分别为姓名、身份证号、联系电话和详细住址，其所对应的Jaro距离值分别为d1、d2、d3和d4。

4.根据权利要求3所述的基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，Jaro距离值采用Jaro Distance算法，进行计算两个字符串之间相似度的方法。

5.根据权利要求4所述的基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，所述Jaro Distance算法的定义为：

首先给两个定字符串S1和和S2；

采用如下公式计算d_j的值：

其中，dj是两个字符串的Jaro Distance；

m是匹配的字符数；

t是换位的数目。

6.根据权利要求5所述的基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，上述S1和S2的字符如果相距小于等于s的时候即为两个字符是相匹配的，其中

s＝[max(|s₁|,|s₂|)/2]-1。

7.根据权利要求6所述的基于核心信息的Jaro-Winkler算法的多源数据匹配方法，其特征在于，上述Jaro距离值还可以在Jaro Distance算法的基础上采用Jaro-WinklerDistance算法，进行计算两个字符串之间相似度的方法。